对PCA进行排序会产生高于5的主成分
主成分分析（Principal Component Analysis，简称PCA）是一种常用的数据降维技术，它能够将高维数据映射到低维空间中。在进行PCA排序时，主成分的数量是一个需要考虑的重要参数。一般而言，我们会根据实际需求和问题的复杂程度来确定主成分的数量。
对PCA进行排序会产生高于5的主成分是指在进行PCA分析时，所选择的主成分数量超过5个。这可能是由于数据本身的复杂性或者数据中存在多个重要的特征所导致的。
对于这种情况，我们可以考虑以下几点：
- 主成分数量的选择：在实际应用中，我们可以通过观察累计贡献率曲线来选择合适的主成分数量。通常情况下，我们希望选择主成分数量使得累计贡献率达到一定阈值，例如80%或90%。这样可以保留较多的信息同时降低数据维度。
- 特征重要性分析：在进行PCA排序之前，可以先对数据进行特征重要性分析，找出对问题最有影响力的特征。这样可以有针对性地选择主成分数量，并更好地解释结果。
- 结果解释与验证：进行PCA排序后，需要对结果进行解释和验证。可以利用可视化技术将主成分与原始数据进行比较，理解主成分所包含的信息以及对问题的解释能力。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云数据处理服务：https://cloud.tencent.com/product/dps
- 腾讯云人工智能服务：https://cloud.tencent.com/product/ai
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发套件：https://cloud.tencent.com/product/mke
请注意，以上链接仅供参考，具体选择产品和服务应根据实际需求和场景进行评估。
相关·内容
2回答
下面是一个可重复使用的示例： set.seed(10)
pick <- sample(nrow(iris),nrow(iris)/2)
iris.training <- iris[pick,]
iris.testing <- iris[-pick,]
pca.training <- prcomp(iris.training[-5])
pca.testing <- prcomp(iris.testing[-5])
autoplot(pca.training,loadings.label=T,loadings=T)
autoplot(pca.testing,loa
浏览 54提问于2020-12-14得票数 0
回答已采纳
2回答
我需要理解由两个主成分创建的散点图所传达的信息。 我正在处理“sklearn.datasets”库中的“波士顿住房”数据集。我标准化了预测因子，并使用'sklearn.decomposition‘库中的'PCA’得到两个主成分，并将它们绘制在图表上。 现在我所需要的就是帮助我用简单的语言来解释剧情。enter image description here
浏览 28提问于2019-09-12得票数 0
为什么在Matlab中使用pca不能得到正交主成分矩阵？
例如：
A=[3,1,-1;2,4,0;4,-2,-5;11,22,20];
A =
3 1 -1
2 4 0
4 -2 -5
11 22 20
>> W=pca(A)
W =
0.2367 0.9481 -0.2125
0.6731 -0.3177 -0.6678
0.7006 -0.0150 0.7134
>> PCA=A*W
PCA =
0.6
浏览 0提问于2016-05-10得票数 0
回答已采纳
2回答
在主成分分析降维后，我想将K均值应用于聚类。在主成分分析之前，我已经用StandardScaler标准化了数据，然后我想训练Kmeans来找到簇。然而，PCA组分之间的差异不可能是相同的数量级。
聚类前对PCA组件进行标准化是一个很好的实践吗？
浏览 0提问于2019-06-13得票数 2
回答已采纳
1回答
我正在用和进行PCA分析。我注意到两个库返回的输出不匹配。
请参阅下面的示例代码片段-
import numpy as np
from gpflow.models import PCA_reduce
from sklearn.decomposition import PCA
X = np.random.random((100, 10))
for n in range(1, 6):
X1 = PCA(n_components=n).fit_transform(X)
X2 = PCA_reduce(X, n)
print('[n=%d] allclose=%s&
浏览 0提问于2018-11-03得票数 2
回答已采纳
我想在R中执行k-means分析，因此我需要数字数据。我尝试了以下几种方法
unlist(pca)
as.numeric(pca)
lapply(pca,as.numeric(pca))
主成分分析只是“正常”的主成分分析数据，如图所示(使用fviz_pca_ind()函数)。
顺便说一句，当我尝试运行k-means分析时，它告诉我"list object list be coerced to type double“。这就是为什么我想把一切都变成数字的原因。
如何将pca数据转换为数字？
谢谢;)
浏览 42提问于2020-02-17得票数 0
1回答
主成分分析
、、
我必须编写一个分类器(高斯混合模型)，用于人类行为识别。我有4个视频数据集。我选择了其中的3个作为训练集，1个作为测试集。在我将gm模型应用于训练集之前，我会对其运行pca。
pca_coeff=princomp(trainig_data);
score = training_data * pca_coeff;
training_data = score(:,1:min(size(score,2),numDimension));
在测试过程中，我应该怎么做？我是否应该对测试数据执行新的princomp
new_pca_coeff=princomp(testing_data);
score =
浏览 5提问于2012-05-30得票数 5
回答已采纳
在将支持向量机应用于我的数据之前，我想通过主成分分析来减少它的维数。我应该分开Train data和Test data，然后分别对它们应用PCA，还是将PCA应用于这两个集合的合并，然后将它们分开？
浏览 3提问于2016-08-28得票数 1
回答已采纳
标题中的问题。在调用pca.fit(X)之后，假设我调用了pca.fit_transform(new_X)。new_X是否自动以主成分分析为中心？这方面的文件不清楚。
浏览 2提问于2020-02-17得票数 2
回答已采纳
1回答
我正在做PCA，我想在R中绘制第一个主成分与第二个主成分：
pca<-princomp(~.,data=data, na.action=na.omit
plot(pca$scores[,1],pca$scores[,2])
或者可能有几个主要组成部分：
pairs(pca$scores[,1:4])
但是，这些点是黑色的。如何适当地为图形添加颜色？我需要几种颜色？我绘制的每个主成分都有一个？还是我的数据矩阵中的每一行都对应一个？
谢谢
编辑：
我的数据如下所示：
> data[1:4,1:4]
patient1
浏览 0提问于2013-01-12得票数 3
回答已采纳
1回答
我正在尝试根据那篇文章来识别噪音的类型：
我在64位win8上使用了scikit learn-0.14.1.win32-py2.7，我知道它指的是0.15版本，但是在0.14版本的文档中，它提到评分方法可用于PCA，所以我猜它应该是正常工作的：
问题是，无论我将哪个主成分分析用于*cross_val_score*，我总是收到一条类型错误消息，指出估计器主成分分析没有得分方法：
*TypeError:如果未指定评分，则传递的估计器应具有'score‘方法。估计主成分分析(copy=True，n_components=None，whiten=False)不会。*
你知道为什么会这样吗？
浏览 0提问于2013-11-12得票数 2
3回答
我使用来查找具有大约20000个特性和400+样本的数据集的主组件。
然而，与应该使用的学习PCA相比，我得到了不同的结果.我也没有检查Orange3 PCA提出的规范化选项。
其中第一主成分占总方差的14%，第二主成分占13%等。
对于Orange3，我得到了一个非常不同的结果(第一个主成分的方差~65%，等等)：
使用scikit-learn的代码如下所示：
import pandas as pd
from sklearn.decomposition import PCA
matrix = pd.read_table("matrix.csv", sep='
浏览 6提问于2016-04-04得票数 2
回答已采纳
2回答
我在Python中对音频谱图进行了PCA处理，并面临以下问题:我有一个矩阵，其中每一行都包含扁平的歌曲特性。在应用PCA之后，我很清楚，尺寸已经减少了。但我在常规数据集中找不到这些维度数据。
import sys
import glob
from scipy.io.wavfile import read
from scipy import signal
from scipy.fftpack import fft
import numpy as np
import matplotlib.pyplot as plt
import pylab
# Read file to get sampler
浏览 6提问于2015-10-19得票数 0
假设我有混合数据和(python)代码，它能够对连续预测器进行PCA (主成分分析)，在名义预测器上进行MCA (多重对应分析)。是否有可能将PCA和MCA的结果合并成一个？
浏览 0提问于2016-01-19得票数 9
尝试将主成分分析(PCA)与支持向量机(SVM)相结合进行人脸识别。但我对简历感到困惑：：pca！根据计算特征向量和特征值的，首先计算数据的协方差矩阵，然后由协方差矩阵计算特征向量和特征值。在它的样本代码中，它不计算协方差矩阵，它只是将数据传递给构造函数。那么cv::pca计算协方差矩阵本身？或者我们应该计算它并把它传递给cv::pca警员？从特征向量和特征值的维数来看，我猜它没有计算它们。我说的对吗？
浏览 2提问于2015-09-16得票数 1
回答已采纳
如果我有一个训练集trainX，trainy，我知道你可以用
pca = PCA(n_components=5)
Xred = pca.fit(trainX).transform(trainX)
如果我想运行一个模型，比如线性回归，我需要在testX上运行主成分分析吗
如下所示：
clf = linear_model.LinearRegression()
clf.fit(trainX, trainY)
testXred = pca.fit(testX).transform(testX)
predictions = clf.predict(testXred)
或者我只在训练集上运行PCA，所以线
浏览 10提问于2017-08-23得票数 1
1回答
我对DS很陌生。对于使用PCA可视化单词嵌入的局限性，我有一个一般性的问题。
到目前为止，我已经了解到，当使用主成分分析(如sklearn)时，解释方差(explained_variance_ratio_)描述了每个主成分对方差的解释程度。例如，一旦解释了80%的方差(或弯头)，人们就可以相当自信地认为，这个数量的PC是描述低维空间中数据方差的一个很好的近似值。在可视化的情况下，由于明显的原因，只限于2D或3D。
将主成分分析应用于一个字嵌入矩阵(向量为300列，N个字为N行)，我对前两个PC (PC1: 4%，PC2: 3.5%)的贡献很小。我有一个线性衰变直到PC_N。
我现在很困惑，PC
浏览 0提问于2023-05-03得票数 0
回答已采纳
1回答
我想把主成分分析应用于卡格尔号的泰坦尼克号
现在我只取有数值的列，去掉幸存的值，所以我有五个变量，如果我们忽略依赖变量(‘NaN’)，实际上是四个。
我已经将其加载到DataFrame df中，如果我使用PCA获取五个组件：
pca_model = PCA(n_components=5)
pca_model.fit(df)
pca_model.explained_variance_ratio_
[ 9.30197643e-01 6.93699966e-02 2.24377672e-04 1.49076254e-04
5.89069784e-05]
我发现93%的
浏览 30提问于2017-03-03得票数 0
1回答
我很难理解主成分分析是如何计算分数的。
如果我在一个矩阵X上执行主成分分析，通过：[coeff score] = pca(X)
那么dot(coeff(1,:) , X(1,:)) = score(1,1)应该这样做吗？
任何帮助都是非常感谢的。
浏览 0提问于2021-04-16得票数 0
我只是在尝试对主成分6中的变量进行排序。 我尝试过fviz_contrib，但由于一些奇怪的原因，它只适用于5维。 我的biplot能够很好地做到这一点，但我需要定量数据。我想对这段代码产生的向量进行排序； biplot(pca_result, scale = 0, choices = 5:6) 我以前用'princomp‘这样做过，但如果我使用它，我会得到一个错误，“只能用于更多的单元而不是变量”，如果我横切，我得到的是单元的pca，而不是变量的pca。
浏览 16提问于2019-09-21得票数 1
1回答
是建立在线性代数库基础上的主成分分析的C++库。
不过，我对此有意见。我正在将它的输出与在其关于PCA的伟大教程中给出的示例进行比较。当我检索第一个主成分时，我在他的教程中得到了与Smith相同的值，但是它的符号反转了。对于第二个主成分，符号和值是正确的。
有人知道这是为什么吗？
代码：
#include "pca.h"
#include <iostream>
using namespace std;
int main(int argc, char** argv) {
stats::pca pca(2);
double* elements =
浏览 0提问于2014-09-04得票数 4
回答已采纳
我试图对一些波动性数据进行PCA分析，我们可以这样说，我可以提出如下模型：
volatility = bata0 + beta1*x + beta2* x^2
其中x是一些观察，例如，金钱等等。所以在Matlab中，我做的是Y=[ones x x^2]，然后做pca(Y)，出于某种原因，我的系数矩阵中的第一行总是类似于0 0 1，也就是说，除了最后一列之外，其他地方都是0，而且atent的输出总是显示第一行的最高值，无论我如何改变模型。
显然，这不可能是这样的情况，在每个模型中的最后一项被方程中的最后一项很好地解释。如果去掉Y中的常数项(即Y= x^2 )，那么系数矩阵的第一行就变得更正常了(
浏览 3提问于2013-03-24得票数 0
我在matlab和python中生成了相同的矩阵：
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
21 22 23 24 25
然后分别应用主成分分析得到主成分系数。
Matlab代码：
X = reshape([1:25], 5, 5);
X = X'
[cofe, S, latent] = pca(X)
结果：
cofe =
0.4472 0.8944 0
浏览 10提问于2018-08-15得票数 4
2回答
因此，在Matlab中，我对手写数字执行PCA。从本质上说，我有30*30维图像，即900像素，在PCA之后，我考虑捕捉大部分方差的分量，比如基于某个阈值的前80个主成分(PC)。现在这80台电脑也是900维的，当我用imshow绘制这些电脑的时候，我会得到一些图像，比如0，6，3，5等等。这些最初的几台电脑(我提取的80台电脑中的80台)的解释是什么？
浏览 3提问于2015-04-18得票数 2
1回答
科学学习中PCA的质量
、、、、
我使用主成分分析( PCA )来转换我的特征，以减少维数。为了调整维数，我需要知道PCA对原始特征描述得有多好。如何在科学学习中确定这一点？
浏览 2提问于2016-06-18得票数 2
回答已采纳
我正在使用(pyspark) mllib (Spark 2.2.0)中的奇异值分解和主成分分析函数，如以下链接所述：
假设我们得到了以下数据对象：
[(2, 2), (3, 1), (2, 2), (1, 3), (1.0, 1.0), (3.0, 3.0)]
应用computeSVD()函数会产生以下结果：
对于U：[DenseVector([-0.3922, -0.0]), DenseVector([-0.3922, -0.7071]), DenseVector([-0.3922, -0.0]), DenseVector([-0.3922, 0.7071]), DenseVector([-
浏览 1提问于2019-05-07得票数 2
3回答
用主成分分析法对进行分类。列车阶段使用200位数字，测试使用20位数字。
我不知道PCA作为分类方法是如何工作的。我学会了把它作为一种降维方法，从它的平均值中减去原始数据，然后计算协方差矩阵、特征值和特征向量。从那里，我们可以选择主成分，而忽略其余的。我该如何分类一堆手写数字？如何区分不同类别的数据？
浏览 6提问于2013-01-30得票数 1
1回答
在进行PCA时检测异常值
、、、
我是数据分析的新手，并试图更好地理解如何在进行PCA分析时识别异常值。我创建了一个有5列的数据矩阵来表示我的变量，包括数学、英语、历史、物理和社会科学；每一行代表学生在课堂上获得的最终成绩。当我绘制第一和第二主成分的得分时，我的数据矩阵中的第五列是一个异常值。我希望有一种在数学上检测异常值的方法，而不必绘制分数；任何帮助我做到这一点的建议或想法都是非常感谢的。提前感谢您的帮助。我已经在下面发布了我的代码。
%Column names
colNames = {'Math','English','History','Physics',
浏览 2提问于2014-08-27得票数 2
回答已采纳
# Libraries
library(tidyverse)
library(broom)
我知道tidyverse可以用于性能分析，这里有两个例子：
示例1：
iris_pca_v1 <- iris %>%
nest() %>%
mutate(
pca = map(data, ~prcomp(.x %>% select(-Species), center = T, scale = T)),
pca_aug = map2(pca, data, ~augment(.x, data = .y))
)
示例2：
iris_pca_v2 <
浏览 1提问于2020-09-28得票数 1
1回答
主成分和特征值(在PCA中)之间的关系是什么？假设我已经分别计算了图像中两个区域的PCA，根据这两个区域的特征值，我们可以解释什么？
浏览 0提问于2013-10-11得票数 1
1回答
我最近开始使用python从事机器学习等相关领域的工作。今天，我正在处理一个数据集，我想在其中应用降维并应用我的模型来评估分数。这个数据集有30个特征。
我从一个简单的算法开始，这是Logistic回归，但在应用我的logistic回归之前，我想做一个PCA。为了确定哪个组件的数量是最好的，我使用了带有逻辑回归的gridsearchCV，只使用了C参数和我选择组件数量的主成分分析。我得到的结果是，我在PCA中使用的组件越多，精度得分就越高。以我的n_components=30为例，我得到了0.81的精度分数。
问题是，我认为PCA用于降维(即处理较少的特征)，它可以帮助提高分数。有什么我不明白
浏览 1提问于2020-10-26得票数 0
我有三个数据帧，我想在R中执行主成分分析( PCA )。我将数据帧与rbind()合并，并用它进行主成分分析。这招奏效了。但我想根据它们所属的数据帧来区分这些点。对于合并的数据帧，这是不可能的(或者不是？)。当我使用PCA(X=c(df1,df2,df3)时，它会抱怨行数不一致(这显然是实际情况)。
pca <- PCA(X=c(df1,df2,df3))
fviz_pca_ind(pca,
geom.ind = "point", # show points only (nbut not "text")
浏览 13提问于2020-02-12得票数 2
回答已采纳
我有一个数据，其中A和B用来预测C
df = df[['A','B','C']]
array = df.values
X = array[:,0:-1]
Y = array[:,-1]
# Feature Importance
model = GradientBoostingClassifier()
model.fit(X, Y)
print ("Importance:")
print((model.feature_importances_)*100)
#PCA
pca = PCA(n_components=len(df.
浏览 2提问于2017-12-16得票数 0
回答已采纳
2回答
数据的维数是否可以简化为一个主成分？
我在虹膜数据集上试过-
from sklearn.decomposition import PCA
import pandas as pd
import matplotlib.pyplot as plt
pca = PCA(n_components=1)
pca_X = pca.fit_transform(X) #X = standardized iris data
pca_df = pd.DataFrame(pca_X, columns=["PCA1"])
plt.plot(pca_df["PCA1"],
浏览 3提问于2021-11-09得票数 0
回答已采纳
1回答
我确实理解主成分分析。我知道怎么做，以及它实际做了什么。我已经应用了PCA，我的最佳结果显示是两个组件。我确实理解，我的每一个输入现在在每个组件中都起到了部分作用。我不明白的是如何将PCA的结果(在我的例子中是2个组件)提供给机器学习模型？我们如何输入它们呢？
例如，当我想对我的特征运行NN时，我只能导航到它们的存储位置并导入它们，但我的PCA分析已经在SPSS中运行，它显示的是我的特征对每个组件的贡献。
我应该导入什么到我的NN模型？
浏览 2提问于2018-05-12得票数 1
我试图理解为什么eVec (由np.linalg.eig生成)与pca.components_.T类的实例不同。据我所知，协方差矩阵的特征向量是按特征值下降排序后的主分量。
如能简单解释，将不胜感激。
import pandas as pd
import numpy as np
from sklearn.decomposition import PCA
from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
df = pd.read_csv(
'https://gist.gi
浏览 0提问于2020-10-11得票数 2
回答已采纳
1回答
在对MNIST数据应用PCA后，我确定了CNN模型和层。在拟合CNN模型(X_train_PCA，Y_train)后，我在评估阶段结束了维数问题。这里是消息"ValueError: Error when checking input:期望conv2d_1_input具有形状(1，10，10)，但得到形状为(1，28，28)的数组“。当我尝试将X_test重塑为10X10格式时，我得到了非常低的分数 首先，我应用了最小-最大正则化，然后将主成分分析应用于X_train。然后，我从X_train生成了验证数据。问题是，我可以用100维格式拟合数据(在应用PCA之后)，我的输入数据变成了1
浏览 92提问于2019-01-05得票数 0
回答已采纳
1回答
主成分分析问题
、、、、
我不确定这里是不是正确的地方，但我要说的是：
我有一个300张高分辨率图片的数据库.我想在这个数据库上计算PCA，到目前为止，我所做的是：-将每幅图像重塑为一个单列向量--创建一个所有数据的矩阵(500x300) --计算平均列并将其减去到我的矩阵中，这给了我X--计算相关系数C = X'_X (300x300) --找到C的特征向量V和特征值D-- PCA矩阵由X_V*D^-1/2给出，其中每一列都是一个主分量。
这是很好的，并给我正确的组成部分。
现在我要做的是在同一个数据库上做同样的PCA，除了图像的分辨率更低。
这是我的结果，左边是低分辨率，右边是高分辨率。你能看到它
浏览 1提问于2011-08-12得票数 6
回答已采纳
2回答
背景
试图识别MNIST的主成分数(k)用于主成分分析，目标为95%。
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784', version=1)
# Split data into training and test
X, y = mnist["data"], mnist["target"]
X_train, y_train = X[:60000], y[:60000]
COVERAGE=0.95
如果我跟着课程机器学习-主成分分析算法，它是6
浏览 0提问于2019-10-30得票数 1
2回答
在scikit学习中，有一种叫做的方法。此方法接受百分比参数。将此参数解释如下：
注意下面的代码有.95来表示组件的数量参数。这意味着科学学习选择最小数量的主成分，使95%的方差被保留。
> from sklearn.decomposition import PCA
> # Make an instance of the Model
> pca = PCA(.95)
对于这个解释的解释，我有点不太清楚。假设常设仲裁院的产出如下：
PC1解释了70 %的完全方差
PC2解释了15 %的完全方差
PC3解释了10 %的完全方差
PC4解释了4%的完全方差
浏览 3提问于2018-06-08得票数 4
回答已采纳
2回答
我试着理解PCA，但我没有机器学习的背景。我来自软件工程，但到目前为止，我试图阅读的文献对我来说很难消化。
就我所理解的PCA而言，它将从一个N维空间获取一组数据点，并将它们转换为一个M维空间，其中N>M，我还不知道PCA的实际输出是什么。
例如，将这个值在[0，10)范围内的5维输入数据：
// dimensions:
// a b c d e
[[ 4, 1, 2, 8, 8], // component 1
[ 3, 0, 2, 9, 8],
[ 4, 0, 0, 9, 1],
...
[ 7, 9, 1, 2, 3], // componen
浏览 0提问于2015-07-07得票数 4
回答已采纳
2回答
降维
、、
我正在尝试理解数据分析中降维的不同方法。特别是，我对奇异值分解(SVD)和主成分分析(PCA)感兴趣。
有人能向外行解释这些术语吗？-我理解降维的一般前提是将数据降维到较低的维度-但是
a) SVD和PCA如何做到这一点，以及b)它们在方法上有何不同
或者如果你能解释一下每种技术的结果告诉我什么，那么对于a) SVD -什么是奇异值b) PCA -“方差比例”
任何一个例子都是很棒的。我的数学不是很好！
谢谢
浏览 6提问于2017-10-27得票数 1
1回答
推理时的单图像特征约简: SVM
、、、、
我试着用scikit学习来训练一个SVM分类器。在训练时，我要减少特征向量维数。我使用PCA来减少维数。
pp = PCA(n_components=400).fit(features)
features = pp.transform(features)
主成分分析需要m x n数据集来确定方差。但在推理时，我只有一幅图像和相应的一维特征向量。我想知道如何在推理时减少特征向量以匹配训练维数。
或者，如果有人可以提出一些其他的降维技术，可用于单一图像将是非常值得赞赏的。
浏览 0提问于2020-07-30得票数 0
1回答
在Weka中进行PCA
、、、
在WEKA (分类问题)中，我尝试用PCA进行降维。
我的数据中有200个属性，接近2100行。
以下是我所遵循的步骤
在WEKA资源管理器中导入csv文件
在预处理选项卡中，应用，规范化数据(使整个数据在0,1的范围内)。
然后实现PCA。
- In options for PCA, there is an option for centerData which if set to False, would calculate using correlation matrix after standardizing data (Correct me if i am wro
浏览 3提问于2013-10-16得票数 1
回答已采纳
我只想澄清一下OpenCV中关于PCA的一些内容。假设我有两行数据(A，B)。
A 3 8 7
B 2 4 5
如果我想在OpenCV中创建一个PCA模型，我必须对数据做些什么？我是否必须减去平均值(例如，从其数据点减去A的平均值)，还是PCA函数这样做？
有人说，OpenCV主成分分析预计数据将正常化(0到1之间)。如果是这样的话，我该如何正常化？
希望有人能为我澄清这一点，因为OpenCV中的PCA在网络上有很糟糕的记录。
干杯..。
浏览 4提问于2011-11-05得票数 2
我想知道是来自sklearn.decomposition.PCA的transform()还是来自C++ opencv的project()重新排列了原始数据的结果。 pca.py： import pandas as pd
from sklearn.decomposition import PCA
# read csv into dataframe
df = pd.read_csv('sample.csv')
columns=['x', 'y']
pca = PCA()
pca.fit(df)
t = pca.transform(df)
pr
浏览 40提问于2019-01-12得票数 0
回答已采纳
2回答
数据子集的PCA双图
、、、
我正在尝试为数据子集生成pca双曲线。在相同的主成分环境中，我只想绘制基于水分水平的子集。
# Packages
library(vegan)
# Sample data
data(dune, dune.env)
dd <- cbind(dune.env, dune)
# Runnig PCA
pca1 <- rda(dd[, -c(1:5)], scale=T)
# Plot
plot(pca1, scaling=3)
# Now, instead the plot above, I'd like to get 5 different plots (one per
浏览 4提问于2014-06-17得票数 2
回答已采纳
2回答
PCA降维后的聚类
、、、
假设我们有一个大维的数据集，我们使用PCA将其降到了较低的维度，那么对所述数据使用聚类算法是否明智/准确？假设我们不知道会有多少个集群。
在Iris数据集上使用PCA ( csv中的数据按顺序排列，以便列出所有的第一类，然后是第二个，然后是第三个)生成以下图：
可以看出，Iris数据集中的三个类已被保留。然而，当样本的次序被随机化时，则会产生以下情节：-
上面，还不清楚数据集中包含了多少个集群/类。在这种情况下(更真实的情况)，如何识别类的数量，像K-均值这样的聚类算法会有效吗？
是否会因为低阶主成分的丢弃而产生内在的影响？
编辑：-为了清楚，我是问一个数据集是否可以在运行PCA后
浏览 5提问于2013-09-25得票数 0
回答已采纳
主成分分析和因子分析是否相同？这两种方法都用于数据降维，但从理论上讲，我无法找到它们之间的区别？
为了减少数据集中的变量数，我在SPSS中做了FA。我认为同样的想法也可以用PCA来完成。PCA从来没有这么想知道两种技术的确切区别。
浏览 0提问于2018-09-20得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
